양방향 캐스케이드 네트워크를 이용한 지각적 엣지 검출

다양한 크기의 객체에 대한 경계선 검출을 개선하기 위해서는 다중 스케일 표현을 활용하는 것이 중요합니다. 극단적으로 다른 스케일에서 경계선을 추출하기 위해, 특정 스케일의 라벨된 경계선으로 각 층을 감독하는 방식을 취하는 양방향 카스케이드 네트워크(Bi-Directional Cascade Network, BDCN) 구조를 제안합니다. 이는 모든 CNN 출력에 동일한 감독을 직접 적용하는 대신입니다. 또한, BDCN이 학습하는 다중 스케일 표현을 풍부하게 하기 위해, 깊은 CNN이나 명시적인 다중 스케일 경계선 맵 융합 대신 확장된 합성곱(dilated convolution)을 사용하여 다중 스케일 특성을 생성하는 스케일 강화 모듈(Scale Enhancement Module, SEM)을 도입하였습니다. 이러한 새로운 접근법들은 다양한 층에서의 다중 스케일 표현 학습을 촉진하고, 그 스케일로 잘 정의된 경계선들을 검출합니다. 스케일 전용 층들을 학습함으로써 파라미터 수가 적은 컴팩트한 네트워크도 구현할 수 있습니다. 우리는 BSDS500, NYUDv2, Multicue 세 가지 데이터셋에서 우리의 방법론을 평가하였으며, BSDS500에서는 현재 최고 성능보다 1.3% 높은 ODS Fmeasure 0.828를 달성하였습니다. 코드는 https://github.com/pkuCactus/BDCN 에서 확인할 수 있습니다.